这里有numpy数组的相关介绍https://www.jb51.net/article/130657.htm
排序
numpy与python列表内置的方法类似，也可通过sort方法进行排序。
用法如下：
In [1]: import numpy as np
In [2]: x = np.random.randn(9)
In [3]: x
Out[3]:
array([-0.4041504 , -0.42198556, 0.92807217, -2.66609196, 1.50915897,
0.38080873, 1.05325796, -1.16488798, 0.04062064])
In [4]: x.sort()
In [5]: x
Out[5]:
array([-2.66609196, -1.16488798, -0.42198556, -0.4041504 , 0.04062064,
0.38080873, 0.92807217, 1.05325796, 1.50915897])
可以发现上述的sort方法是直接对x进行了排序而并没有创建一个副本。
但是np.sort()这个顶级的方法，会返回一个副本：
In [6]: x = np.random.randn(6)
In [7]: x
Out[7]:
array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338,
0.95574862])
In [8]: np.sort(x)
Out[8]:
array([ 0.00352338, 0.14240205, 0.22528632, 0.48903869, 0.95574862,
1.31659382])
In [9]: x
Out[9]:
array([ 0.14240205, 0.48903869, 0.22528632, 1.31659382, 0.00352338,
0.95574862])
传入轴编号，可以实现在某一个轴向上进行排序。
In [34]: x = np.random.randn(5,4)
In [35]: x
Out[35]:
array([[-0.26646799, -0.40714749, -0.76788268, -0.25340467],
[ 0.70099086, -0.88716684, 0.13461279, 2.14412835],
[ 0.39718924, -0.14671297, -0.67821163, 1.85798273],
[-0.29389289, 0.0346094 , 0.25213133, 0.87105479],
[-0.10797243, 1.60188878, 0.67829493, 0.43291808]])
In [36]: s = x
In [37]: s.sort(0)#按列进行排序
In [38]: s
Out[38]:
array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467],
[-0.26646799, -0.40714749, -0.67821163, 0.43291808],
[-0.10797243, -0.14671297, 0.13461279, 0.87105479],
[ 0.39718924, 0.0346094 , 0.25213133, 1.85798273],
[ 0.70099086, 1.60188878, 0.67829493, 2.14412835]])
In [39]: x
Out[39]:
array([[-0.29389289, -0.88716684, -0.76788268, -0.25340467],
[-0.26646799, -0.40714749, -0.67821163, 0.43291808],
[-0.10797243, -0.14671297, 0.13461279, 0.87105479],
[ 0.39718924, 0.0346094 , 0.25213133, 1.85798273],
[ 0.70099086, 1.60188878, 0.67829493, 2.14412835]])
In [40]: x = np.random.randn(5,4)
In [41]: x
Out[41]:
array([[ 0.82309157, -0.56413805, -0.1766557 , -0.31924962],
[-1.25606694, 2.63622922, 2.47481377, 0.27840961],
[ 0.63659583, 1.52779004, -0.90582752, 0.82325241],
[-1.52664294, -0.5285837 , -1.96380368, -0.44323125],
[ 1.94859294, 2.55676806, 1.53614848, -0.43366557]])
In [42]: x.sort(1)#按行进行排序
In [43]: x
Out[43]:
array([[-0.56413805, -0.31924962, -0.1766557 , 0.82309157],
[-1.25606694, 0.27840961, 2.47481377, 2.63622922],
[-0.90582752, 0.63659583, 0.82325241, 1.52779004],
[-1.96380368, -1.52664294, -0.5285837 , -0.44323125],
[-0.43366557, 1.53614848, 1.94859294, 2.55676806]])
在这儿，我试图将x赋值给s，结果发现对s排序后，x也变了，这说明，在内存中，实际上，s，x是指向同一组值得。
我也曾试图输入s.sort(2),结果出现了ValueError:axis(=2)outofbounds,这也就和前面的统计函数的axis参数是一致的。
那么也就是说，他的用法和axis一致。
利用排序，我们还能得到分位数（
分位数（英语：Quantile），亦称分位点，是指将一个随机变量的概率分布范围分为几个等份的数值点，常用的有中位数（即二分位数）、四分位数、百分位数等。具体可自行搜索），从而得到特定位置的值。
In [44]: x = np.random.randn(500) In [45]: x.sort() In [46]: x[int(0.05 * len(x))] #5%分位数 Out[46]: -1.7657191623368329
还有很多没有深入了解，比如怎么降序排列，待续。
集合运算
unique(x)返回集合中的唯一值，并排序，其实也就是去除重复值。
In [1]: import numpy as np In [2]: str = np.array(['s','f','r','s','d','f','w','r']) In [3]: np.unique(str) Out[3]: array(['d', 'f', 'r', 's', 'w'], dtype='<U1') In [4]: i = np.array([2,2,2,2,1,1,3,4,5,4,3,5]) In [5]: np.unique(i) Out[5]: array([1, 2, 3, 4, 5])
intersect1d(x,y)返回集合A和B的交集，并排序
In [6]: k = np.arange(8) In [7]: np.intersect1d(i, k) Out[7]: array([1, 2, 3, 4, 5])
union1d(x,y)返回集合A和B的并集，并排序
In [8]: np.union1d(i,k) Out[8]: array([0, 1, 2, 3, 4, 5, 6, 7])
in1d(x,y)返回一个A包含于B的布尔型数组
In [10]: np.in1d(k,i) Out[10]: array([False, True, True, True, True, True, False, False], dtype=bool)
setdiff1d(x,y)集合的差，包含于A但不包含于B,相当于A-（A∩B)
In [12]: np.setdiff1d(k,i) Out[12]: array([0, 6, 7])
setxor1d(x,y)存在于A中但不同时存在于B中，也就是对称差，说白了就是A和B交集之外的部分。
就是红色的部分。
In [13]: s = np.arange(4,12) In [14]: s Out[14]: array([ 4, 5, 6, 7, 8, 9, 10, 11]) In [15]: np.setxor1d(s,k) Out[15]: array([ 0, 1, 2, 3, 8, 9, 10, 11])
总结
以上就是本文关于numpy排序与集合运算用法示例的全部内容，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！
免责声明：本站文章均来自网站采集或用户投稿，网站不提供任何软件下载或自行开发的软件！ 如有用户或公司发现本站内容信息存在侵权行为，请邮件告知！ 858582#qq.com
这一波大模型产业落地浪潮里，不少企业其实处在 “干瞪眼“的状态。
一种情况是，很多大模型产品看得见却摸不着，在台上一个个遥遥领先——今天Sora技精四座，明天英伟达的机器人又赢得满堂彩，可是到了台下一问：啥时候能用上啊？答曰：遥遥无期。
另一种情况是，企业想用上大模型，却又难免瞻前顾后——既要考虑场景融合，又得兼顾安全性，还要考虑打通现有系统，再加上各种部署成本和繁琐的采购流程……最后只能拂袖：罢了，再等等吧。
稳了！魔兽国服回归的3条重磅消息！官宣时间再确认！
昨天有一位朋友在大神群里分享，自己亚服账号被封号之后居然弹出了国服的封号信息对话框。
这里面让他访问的是一个国服的战网网址，com.cn和后面的zh都非常明白地表明这就是国服战网。
而他在复制这个网址并且进行登录之后，确实是网易的网址，也就是我们熟悉的停服之后国服发布的暴雪游戏产品运营到期开放退款的说明。这是一件比较奇怪的事情，因为以前都没有出现这样的情况，现在突然提示跳转到国服战网的网址，是不是说明了简体中文客户端已经开始进行更新了呢？